CN119442178A 一种融合人工智能和物理机制的旱涝急转预测方法、系统及存储介质 （武汉大学）

一种融合人工智能和物理机制的旱涝急转本申请公开了一种融合人工智能和物理机究区域内每个格点中影响陆地水储量的关键因环流旱涝急转强度配对系列；推求旱涝急转强2步骤3：基于所述优选的关键因子和GRACE重力卫星步骤4：基于步骤3重构的长系列陆地水储量反演数据集，步骤6：基于CMIP6全球气候模式输出数据和步骤5得到的非线性标度关系预测各个格2.根据权利要求1所述的一种融合人工智能和物理机制的旱涝急转预测方法，其特征3.根据权利要求2所述的一种融合人工智能和物理机制的旱涝急转预测方法，其特征基于ERA5再分析数据集中的2m气温、露点温度采用克劳修对每个驱动因子分别计算多个滑动窗口内的平均值，并选择多个月份要性权重并对各输入变量对模拟变量的重要4.根据权利要求1所述的一种融合人工智能和物理机制的旱涝急转预测方法，其特征基于步骤2优选的关键因子，采用长系列数据集驱动步骤3建立的5.根据权利要求1所述的一种融合人工智能和物理机制的旱涝急转预测方法，其特征基于步骤3重构的长系列陆地水储量反演数据集中的陆地水储量数据，计算基于陆地3结合游程理论，分别设定旱阈值和涝阈值，基于陆地水提取旱涝急转事件相应的大气环流场数据分别构建数据矩阵，计算与预测区域内的每一个格点的历次旱涝急转事件的旱涝急转事件强度度量指数配对，形成大气环流旱涝急转强度配对系列。6.根据权利要求5所述的一种融合人工智能和物理机制的旱涝急转预测方法，其特征将研究区域内所有格点的大气环流特征一旱涝急转强度配对系基于大气环流特征平均值一旱涝急转平均强度推求旱涝急转强度与7.根据权利要求5所述的一种融合人工智能和物理机制的旱涝急转预测方法，其特征在研究区域的每一个格点下，对于每个全球共享经济路径下的每一个全球气候模式，对于研究区域的每一个格点，计算每一个全球气候模式下历史期主将多个全球气候模式下研究区域内所有格点的数据集成，得到历史期构建涌现约束模型，基于ERA5再分析数据集中的再分析数据将多个全球气候模式下研究区域内所有格点未来时期的旱涝急转强度的预测结果集关键因子优选模块：其用于计算饱和水汽压亏缺和比湿；采用多尺度数据集重构模块：其用于基于所述优选的关键因子和GRACE重力卫星反演的陆地水储4配对模块：其用于基于重构的长系列陆地水储量反演数据集标度关系推求模块：其用于基于箱元缩放函数将研究区域内所有格点的大气环流特风险预测模块，其用于基于CMIP6全球气候模式输出数据和步骤5得到的非系预测各个格点未来时期的旱涝急转强度和风险；采用涌现约束技术减小预测的不确定所述融合人工智能和物理机制的旱涝急转预测系统用于执行权利要求1_7中任一项所述的融合人工智能和物理机制的旱涝急转预测方法所述服务器工作站存储电子设备执行的计算机程序，当所述计算机程运行时，使得所述电子设备执行权利要求1_7中任一项的融合人工智能和物理机制的旱涝5雪、地表水、土壤水、地下水以及人为因素造成的重力变化，全面监测陆地水储量异常作一年之后,GRACE_FO(GRACEFollow_On)重力卫星成功发射,继续延续了GRACE卫星的科[0005]尽管GRACE/GRACE_FO卫星开始应用于旱涝灾害监测评估，但是卫星观测时间较6配对划分到M个样本容量相同的箱元，推求旱涝急转强度与大气环流特征的非线性标度关[0013]步骤6：基于CMIP6全球气候模式输出数据和步骤5得到的非线性标度关系预测各的重要性权重并对各输入变量对模拟变量的重要[0024]基于步骤3重构的长系列陆地水储量反演数据集中的陆地水储量数据，计算基于7[0028]与预测区域内的每一个格点的历次旱涝急转事件的旱涝急转事件强度度量指数[0039]将多个全球气候模式下研究区域内所有格点未来时期的旱涝急转强度的预测结[0043]数据集重构模块：其用于基于所述优选的关键因子和GRACE重力卫星反演的陆地8过箱元缩放函数推求非线性标度关系，最后基于CMIP6数据和集成学习模型预测未来旱涝9所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以国加州理工学院喷气推进实验室(JetPropulsionLaboratory,JPL)、美国德克萨斯大学奥斯汀分校空间研究中心(CenterforSpaceResearchatUniversityofTexas,理局(NationalOceanicandAtmosphericAdministration，NOAA)的物理科学实验室(PhysicalSciencesLaboratory，PSL)及气候预测中心(ClimatePredictionCenter，ENSO(ElNinoSouthernOscillation,厄尔尼诺南方涛动)指数的月尺度时间序列，具体[0062]为预测未来气候情景，采用国际耦合模式比较计划第六阶段(CoupledModelInter_comparisonProjectPhase6,CMIP6)最新发布的5个全球气候模式(分别为GFDL_比，CMIP6使用共享社会经济途径(SharedSocioeconomicPathway,SSP)和典型浓度路径放情景SSP5_8.5的模式输出数据。5个全球气候模式的输出变量包含逐日气温数据，选取后一个30年窗口(2071_2100年)为未[0064]克劳修斯_克拉珀龙热力学方程可定量描述饱和水汽压esat与气温T的非线性关入克劳修斯_克拉珀龙方程可度量实际水汽压。将ERA52m气温(T2m)和露点温度(Tdew)分别[0069]比湿q为水汽质量与空气团总质量的比值，采用ERA5近地[0072]采用XGBoost算法构建上述多尺度空间范围内的各驱动因子与GRACE重力卫星陆个特征都被赋予了不同的权重，突出了对陆地水储量预测更为重要的因素和空[0075]XGBoost模型可以对各输入变量对模拟变量的重要性进行排序，结合空间注意力[0083]4.1基于步骤3重构的1940年以来的长系列陆地水储量数据，计算长系列干旱强[0086]进一步，提出标准化的旱涝急转事件强度度量指数(StandardizedDrought_气环流场数据和气候指数，分别构建数据矩阵X(n×量即为一个EOF模态，把EOF投影到数据矩阵X上，得到所有空间特征向量对应的时间系数其累积方差贡献率达到80将选定的p个EOF模态视为旱涝急转事件的主要大气环流特[0108]将预测区域内的每一个格点的历次旱涝急转事件的SDWAI指数与对应时间的p个[0112]箱元缩放(Binningscaling)函数能够较好地刻画变量间的非线性关系，近年来流特征旱涝急转强度配对系列均作为箱元缩[0113]具体而言，以步骤4中得到的主要EOF模态的主成分得分EOF_PCp)，采用主成分综合得分(PCS,PrincipalComponentSyntheticScore)作为排序[0116]对于研究区域内的每个格点，我们将计算得到的PCS值与之前计算的SDWAI值配分为12个等样本量的箱元；计算每个箱元中各PCS的中位数PCSmedian和SDWAI的中位数PCScritical[0124]6.1在研究区域的每一个格点下，对[0126]式中，SDWAIfut表示该格点在某一个全球气候模式下未来时期旱涝急转强度的平均值，SDWAIhis表示该格点基于重构的DWI指数得到的历史期的旱涝急转强度的平均值，δ[0127]对于研究区域的每一个格点，计算每一个全球气候模式下历史期PCS的变化趋势[0130]采用最小二乘法求解所述涌格点的PCS在1985-2014年期间的变化趋势，并将该趋势项代入到所构建的涌现约束模型，示该格点中基于ERA5再分析数据及NOAA提供的大尺度气候指数[0134]最后，将5个全球气候模式下研究区域内所有格点未来时期的旱涝急转强度的预